Doctorat
Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/46
Browse
2 results
Search Results
Item Outils de développement formel pour les logiques de description(Université M'Hamed Bougara Boumerdes : Faculté des Sciences, 2023) Chaabani, Mohamed; Mezghiche, Mohamed(Directeur de thèse)Les Logiques de Description (DLs ) forment une famille de langages de repr´esentation et de raisonnement sur des connaissances structur´ees et formelles, d’un domaine d’application donn´e. Les DLs sont des fragments d´ecidables de la logique de premier ordre. Elles sont utilis´ees dans plusieurs domaines d’application. Pour repr´esenter la connaissance d’un certain domaine, les DLs exigent la d´e?nition de cat´egories g´en´erales d’individus, de relations logiques que les individus ou cat´egories peuvent entretenir ensembles. Le raisonnement dans les DLs consiste `a appliquer une m´ethode de preuve `a un ´enonc´e formul´e, dans le but de d´eterminer si cet ´enonc´e est valide ou satis?able dans le contexte d’une base de connaissances. La m´ethode de preuve la plus ?able est bas´ee sur les tableaux s´emantiques. D’o`u il apparaˆ?t n´ecessaire de d´emontrer la validit´e formelle du type de raisonnement utilis´e en faisant appel aux assistants de preuves notamment Coq et Isabelle/HOL. La puissance de la m´ethode des tableaux s´emantiques exploit´es dans di?´erents domaines de la prise de d´ecision tels que celui explor´es dans le cadre de cette th`ese a suscit´e plusieurs travaux sur la validation de cette m´ethode et son exploitation pour v´eri?er la correction de fonctionnement de di?´erents syst`emes. Notre contribution principale consiste `a d´evelopper un raisonneur, pour la logique de description. Pour ce faire nous avons opt´e `a formaliser dans un premier temps la logique ALC (Attribute Language with Complement) consid´er´ee comme un repr´esentant typique d’une large gamme de logiques de description en utilisant l’assistant de preuve Coq. Nous avons ensuite consid´er´e ALCQ une extension de ALC . Nous avons r´ealis´e sa formalisation dans l’assistant de preuve Isabelle/HOL, ensuite, nous avons d´emontr´e formellement sa correction. Cette v´eri?cation repose sur la sp´eci?cation de la syntaxe et de la s´emantique pour chaque logique. Nous associons `a chaque formalisation les preuves pour certi?er sa correction, `a savoir, preuves des propri´et´es de l’ad´equation, de la compl´etude et de la terminaison dans les assistants de preuve Coq et Isabelle/HOL. Nous nous sommes int´eress´e ensuite `a l’exploitation de ces logiques pour la description et le raisonnement sur la correction des transformations de mod`eles. Comme celui de la transformation de graphe dont l’objectif est d’´etudier la v´eri?cation de telles transformations de graphes. Nous avons d´e?ni dans ce contexte deux approches, la premi`ere est bas´ee sur la d´e?nition d’un langage formel ALCQ? comme une extension de la logique ALCQ par l’ajout de la notion substitution. La seconde approche est bas´ee sur la d´e?nition d’un moteur de transformation `a partir de un mod`ele pratique pour un raisonneur de DL . La derni`ere contribution s’inspire de l’approche d´evelopp´ee pr´ec´edemment. L’id´ee est de proposer un algorithme d´eriv´e de la m´ethode du tableau s´emantique pour la fragmentation horizontale dans le domaine des bases de donn´ees et des entrepˆots de donn´ees. L’algorithme con¸cu est formalis´e dans l’assistant de preuve Isabelle, avec la preuve de sa correction, notamment la propri´et´e de compl´etude et d’ad´equationItem Development of a self-adaptive multi-agent system for medical image processing(Université M'hamad Bougara : Faculté des Sciences, 2022) Bennai, Mohamed Tahar; Mezghiche, Mohamed(Directeur de thèse)L'imagerie m edicale fournit une repr esentation visuelle des structures ou des activit es du corps humain selon di erentes modalit es anatomiques et fonctionnelles. L'une des m ethodes de traitement les plus couramment utilis ees sur ce type d'images est la segmentation. La segmentation est un processus lors duquel une image est divis ee en un ensemble de r egions d'int er^et. La complexit e de l'anatomie humaine et les artefacts d'acquisition des images m edicales complexi e grandement la segmentation de ces derni eres. Ainsi, plusieurs solutions ont et e propos ees pour automatiser la segmentation des images. Cependant, la plupart des solutions existantes utilisent des connaissances a priori et/ou n ecessitent une forte interaction avec l'utilisateur pour r ealiser correctement cette t^ache. Dans cette th ese, nous proposons plusieurs approches multi-agents pour l'automatisation de la segmentation d'images m edicales. Ces approches, utilisant un algorithme de croissance de r egions modi e, sont bas ees sur des agents autonomes et interactifs coop erant au sein de l'image a n de correctement la segmenter. Dans un premier temps, une approche a base de r egion utilise un ensemble d'agents mobiles pour explorer l'image et d etecter les r egions homog enes qui la composent. Lors du processus de d etection des r egions, chaque agent une m ethode de croissance des r egions qui introduit l'emploi de la valeur du gradient lors de l' evaluation des similarit es. Cette m ethode est ex ecut ee de mani ere coop erative par plusieurs g en erations d'agents jusqu' a ce que l'ensemble de l'image soit trait ee. Cette approche fut test ee sur un ensemble d'IRM c er ebrale avec di erent niveau de d et erioration. Les r esultats montrent que l'interaction entre la population d'agents o re une e cacit e certaine pour la segmentation des tissus c er ebraux dans des IRM saines. Par la suite, une autre approche appel ee MLISS et utilisant simultan ement les propri et es de similarit e et de discontinuit e de l'image pour la d etection des r egions est pr esent ee. Contrairement a l'approche pr ec edente, MLISS utilise deux ensembles distincts d'agents. Le premier ensemble d'agents a pour but de pr eparer la d etection des noyaux de r egions, quand le second groupe d'agents utilise une m ethode de croissance de r egion pour d etecter les r egions nales. Cette nouvelle architecture permet d'am eliorer les r esultats de segmentation de r egions compactes comme ce fut le cas lors de la segmentation des zones de mati ere blanche dans des images IRM c er ebrales. Pour nir, une nouvelle approche multi-agents, inspir ee des deux pr ec edentes et baptis ee MAMES, est propos ee pour la segmentation de r egions tumorales dans des images IRM c er ebrales 3D. MAMES a h erit e de l'architecture a deux ensembles d'agents de MLISS. De ce fait, la premi ere population d'agents permet le placement des germes de r egions et la croissance de ces derni eres, tandis que la seconde population interagit et collabore pour permettre la nalisation de la segmentation en fusionnant les r egions sur-segment ees. Les exp erimentations men ees sur des IRM c er ebrales saines et pathologiques ont fourni des r esultats prometteurs, d emontrent ainsi l'e cacit e de notre m ethode, notamment pour la segmentation des tumeurs